TACK - Tunnlar Automatisk spriCK Övervakning genom Maskininlärning
| Diarienummer | |
| Koordinator | Kungliga Tekniska Högskolan - Urban Planning & Environment |
| Bidrag från Vinnova | 2 174 236 kronor |
| Projektets löptid | juni 2019 - oktober 2022 |
| Status | Avslutat |
| Utlysning | Strategiska innovationsprogrammet InfraSweden |
| Ansökningsomgång | Lösningar för en hållbar transportinfrastruktur |
Syfte och mål
Målet med projektet var att skapa ett automatiskt system för inspektioner och tillståndsbedömning av tunnlar baserat på en kombination av bildbehandling och maskininlärning. För att uppnå detta var målet att öka TRL (Technology Readiness Level) för det föreslagna systemet från TRL 3/4 (TRL 3 "fungerar konceptuellt i experimentell miljö", TRL 4 "teknik validerad i laboratorium" ) till TRL 7 (demonstration av prototyp i verklig miljö).
Resultat och förväntade effekter
Vi uppnådda lovande resultat för sprickdetektering och mätningar genom att kombinera CNN och fotogrammtri. Den detaljerade kartläggningen av sprickor samt möjligheten att mäta dess vidd ger ett väldigt bra och detaljerat underlag för att bedöma behovet av underhåll för tunnlar. Detta kommer att öka kunskapen om tunnlars tillstånd samt underlätta planering av underhåll. Detta kommer att minska tiden som tunnlar behöver stängas samt kostnaderna för underhåll. Användandet av digital tvillingar kan dessutom förenkla kunskapsåterföring mellan ägare och inspektörer.
Upplägg och genomförande
Detta projekt genomfördes som ett samarbete mellan KTH, Universitetet Sapienza i Rom samt WSP Sverige. En algoritm för sprickdetektering och mätningar har validerades inom projektet. De uppnådda resultaten har presenterats på vetenskapliga konferenser, i uppsatser på masternivå och som artiklar i högt rankade vetenskapliga tidsskrifter. För att driva forskningen inom området framåt kommer dataset från prover genomförda i laboratorium och ett dataset som krävs för att träna en maskininlärningsalgoritm att upptäcka sprickor i tunnlar att publiceras online.